DetNAS：面向目标检测的主干网络搜索
计算机视觉与模式识别
2020-01-01 v4
摘要
目标检测器通常配备为图像分类设计的主干网络。由于图像分类与目标检测任务之间存在差距，这可能并非最优。在这项工作中，我们提出 DetNAS，利用神经架构搜索（NAS）来设计更好的目标检测主干网络。这并非易事，因为检测训练通常需要 ImageNet 预训练，而 NAS 系统需要以目标检测任务上的精度作为监督信号。基于一次性超网（one-shot supernet）技术（其包含搜索空间中所有可能的网络），我们提出了一种在目标检测上进行主干搜索的框架。我们在典型的检测器训练流程下训练超网：ImageNet 预训练与检测微调。然后，在训练好的超网上执行架构搜索，以检测任务作为指导。该框架使得主干上的 NAS 非常高效。在实验中，我们展示了 DetNAS 在各种检测器上的有效性，例如单阶段 RetinaNet 和两阶段 FPN。我们经验性地发现，在目标检测上搜索的网络相比在 ImageNet 分类上搜索的网络表现出一致优越性。所得架构在 COCO 上以低得多的 FLOPs 复杂度实现了优于手工设计网络的性能。
引用
@article{arxiv.1903.10979,
title = {DetNAS: Backbone Search for Object Detection},
author = {Yukang Chen and Tong Yang and Xiangyu Zhang and Gaofeng Meng and Xinyu Xiao and Jian Sun},
journal= {arXiv preprint arXiv:1903.10979},
year = {2020}
}
备注
In NeurIPS 2019. Code and models are available at https://github.com/megvii-model/DetNAS